准确、跨学科、透明的结构属性理解与深层的原生结构推理

结构-性质关系是生物学、化学和材料科学的基础，其中功能、反应性和物理响应产生于空间、化学和周期性组织。从机械上解释这些关系需要通过科学原理和物理约束来解释结构证据，从立体化学和键合到对称性、能量学和周期顺序。然而，将人工智能应用于这一过程提出了表示和推理的共同挑战：模型必须保留领域本机结构信息，同时显示具体证据如何支持这些约束下的预测。在这里，我们介绍 SciReasoner，这是一种多模式科学基础模型，用于蛋白质、小分子和无机晶体的本机结构推理。 SciReasoner 将坐标、拓扑和周期性连接离散化为统一的结构感知词汇，在推理过程中将结构标记视为可寻址的证据单元。在同源控制的基因本体预测中，SciReasoner 改进了低同源性和孤儿样蛋白质的细胞成分注释，将 $F_{\max}$ 从 0.42 增加到 0.55。在化学中，它将单步逆合成精度从 0.63 提高到 0.72，同时生成片段级断开和前体验证痕迹。在材料科学中，它的表示分离元素相和化合物相并解决高带隙和低带隙状态。在 86 个基准测试中，SciReasoner 在 67 项任务上实现了最先进的性能。双盲专家评估将其推理轨迹评为首选，或至少在 98% 的情况下与前沿 大语言模型 的推理轨迹相当。通过使结构成为科学约束下推理的可检查基础，SciReasoner 将准确的预测与可解释的科学推理联系起来。